На выборке из 691 пары «задача — модель» среда выполнения EvoX на языке Rust достигла пикового показателя успешности в 56,2%, опередив средний результат пяти альтернативных агентных сред приблизительно на 3,0 процентных пункта. Для руководителей, внедряющих автономные системы, эти цифры указывают на критически важный операционный сдвиг. Высокие счета за токены и тайм-ауты вычислений зачастую вызваны не ошибками в логике базовых моделей, а структурными сбоями исполнения на программной границе взаимодействия моделей с реальными инструментами.
Создание надежных автономных агентов требует смещения фокуса с масштабирования рассуждений базовых нейросетей на детерминированные механизмы контроля среды их выполнения. Ключевой экономический вопрос для корпоративной инфраструктуры заключается в следующем: способна ли среда исполнения системно предотвращать дрейф выполнения и сокращать перерасход вычислений без дорогостоящего дообучения базовых моделей? В тестах на 169 задачах SWE-bench Verified с лимитом в 20 480 токенов и тайм-аутом 480 секунд изолирование неизменяемой модели активной средой с замкнутым контуром увеличило среднюю долю переходов fail-to-pass с 28% до 49%, а число успешно решенных задач выросло с 43 до 72. EvoX развивает эту парадигму за счет четкого разделения операционной логики.
Архитектура «Второй политики»
В исследовании под названием *EvoX: Rethinking the Agent Harness as a Runtime Policy* ученые Хаоян Чжан, Цюймэн Сунь, Сяо Чжан, Сян Лю, Чжидун Фань и Цзюньцзе Ван из Infinite Evolution Lab и EvoMap представили EvoX как мультимодельный агентный рантайм, функционирующий на базе концепции «Второй политики» (The Second Policy). Данная архитектура разделяет рабочий процесс агента на два независимых слоя: семантическую политику (Semantic Policy), которую реализует базовая модель для интерпретации задач и планирования действий, и операционную политику (Operational Policy), выполняемую детерминированной обвязкой на Rust для вызова инструментов и контроля переходов между состояниями.
«Мы представляем EvoX — написанную на Rust среду выполнения для мультимодельных агентов на базе „Второй политики“, рассматривающей обвязку как операционную политику, которая дополняет семантическую политику базовой модели».
Существующие платформы ориентируются на разные операционные задачи: SWE-agent делает упор на специализированные интерфейсы взаимодействия агента с компьютером, OpenHands предоставляет универсальную среду разработки, Claude Code и Codex оптимизированы под сценарии написания кода с использованием инструментов, а Pi реализует минималистичный расширяемый цикл агента. EvoX заменяет ситуативные скрипты-обертки над промптами тремя детерминированными механизмами: реализацией действий (Action Realization), непрерывностью выполнения (Execution Continuity) и проверкой результата (Outcome Grounding). Механизм Action Realization выявляет некорректные или утекшие в текст вызовы функций, валидирует схемы API и нормализует совместимые аргументы. Execution Continuity объединяет инструкции по выходу из сбоев, детекцию повторяющихся ошибок, предохранители (circuit breakers) и контроль контекста, блокируя непроизводительные циклы. Outcome Grounding принудительно сопоставляет отчеты модели о завершении работы с реальным откликом среды.
Межпровайдерные бенчмарки и экономические метрики
Для оценки сред без подавления нативного поведения моделей исследователи создали бенчмарк Contrast — контролируемый фреймворк с жесткими ограничениями справедливости, верификацией запросов к API провайдеров и доказательной фиксацией результатов, разделяющей фиксированные, общие и платформо-зависимые условия. Сравнительные испытания показали превосходство EvoX по совокупности метрик.
«Наиболее заметный отрыв на моделях GLM-5.3 (+10,7 пункта) и Kimi K3 (+7,9 пункта) подчеркивает зависимость эффективности архитектуры среды от конкретной нейросети и ее потенциал адаптации между провайдерами».
Эти результаты были получены без интеграции долгосрочной памяти, протоколов эволюции или внешних системных расширений. Исправляя ошибки схем и пресекая бесконечные циклы повторов на уровне рантайма, детерминированные среды защищают бюджет от слива лимитов токенов на сломанных вызовах инструментов. Инженерным командам, развертывающим мультимодельные конвейеры, предстоит пересмотреть архитектуру выполнения: валидация схем и защита от зацикливаний должны переноситься в скомпилированный детерминированный слой, а не перекладываться на инструкции внутри контекстного окна промпта.
Для сравнения
Вместо бесконечной охоты за новыми весами индустрия наконец признала банальный факт: глупые циклы и перерасход токенов происходят не в рассуждениях нейросетей, а в дырявой прослойке между кодом и реальными инструментами. Архитектура EvoX превращает эту изоляцию в строгий рантайм на системном языке, где вместо ненадежных скриптов за каждым шагом следят предохранители и жесткая валидация API. Пока платформы вроде OpenHands или SWE-agent городят свои интерфейсы вокруг базовых моделей, такой подход отсекает дорогой семантический дрейф без единого часа дообучения. Хватит ли строгости детерминированной обвязки EvoX на Rust для удержания планки в 56,2% за пределами контролируемых бенчмарков вроде SWE-bench Verified?
Наши материалы: Архитектура агентов важнее размера моделей: бенчмарки (28 августа).